Unknown Authorالتحسين الأمامي (Walk-forward optimization) هو أحد تلك المفاهيم التي تبدو تقنية للغاية حتى يشرحها شخص ما بوضوح. بمجرد أن تفهم ما تفعله في الواقع، سيصبح أحد أكثر الأدوات بديهية في التداول المنهجي.
التحسين الأمامي في تداول الفوركس هو طريقة اختبار تُستخدم للتحقق مما إذا كانت استراتيجية التداول تظل قوية مع تغير ظروف السوق. يتم تقسيم البيانات التاريخية إلى عدة أجزاء. يتم تحسين الاستراتيجية على فترة واحدة من “العينة الداخلة” (in-sample)، ثم يتم اختبارها على فترة “العينة الخارجة” (out-of-sample) التالية. تتكرر هذه العملية عبر مجموعة البيانات الكاملة. إذا أدت الاستراتيجية أداءً ثابتاً على أجزاء العينة الخارجة غير المرئية، فمن غير المرجح أن تكون قد تعرضت لـ “الفرط في التخصيص” (overfit) لفترة تاريخية واحدة، ومن المرجح أن تصمد في التداول الحي.
هذه تقنية متطورة تُستخدم في التداول المنهجي لتقليل خطر أن تكون نتائج الاختبار العكسي (backtest) الجيدة هي مجرد نتاج لملاءمة الاستراتيجية بشكل وثيق جداً مع الماضي.
لماذا لا يكفي الاختبار العكسي التقليدي
يقوم الاختبار العكسي التقليدي بتشغيل استراتيجية عبر جميع البيانات التاريخية المتاحة وتقرير كيفية أدائها. المشكلة تكمن في التحسين (optimization). عندما تقوم بتعديل قيم المعلمات (parameters)، وإعدادات المؤشرات، وقواعد الدخول، ومسافات وقف الخسارة لتعظيم العوائد الماضية، يمكنك غالباً العث de إعدادات تبدو مذهلة بالنظر إلى الماضي. لكن هذه الإعدادات قد تعمل فقط على تلك الفترة التاريخية المحددة.
هذا هو “الفرط في التخصيص” (overfitting): حيث تم ضبط الاستراتيجية بدقة لتناسب الماضي بدلاً من اكتشاف ميزة حقيقية مستقبلية. يقلل التحسين الأمامي من هذا الخطر من خلال إجبار الاستراتيجية على إثبات نفسها على بيانات السوق التي لم يتم تدريبها عليها أبداً.
هذا المفهوم ليس حكراً على الفوركس. حيث تعامل أبحاث التعلم الإحصائي والتعلم الآلي اختبارات “العينة الداخلة” و”العينة الخارجة” كمنهجية تحقق أساسية. ينطبق المبدأ نفسه على تطوير استراتيجيات التداول، وهو موثق جيداً في الموارد التي تغطي التمويل الكمي وتصميم أنظمة التداول المنهجي.
كيف يعمل التحسين الأمامي: خطوة بخطوة
| الخطوة | ما يحدث | الغرض |
| 1 | تقسيم البيانات التاريخية إلى عدة أجزاء زمنية | إنشاء فترات تدريب واختبار منفصلة |
| 2 | تحسين معاملات الاستراتيجية خلال فترة العينة (in-sample) | إيجاد الإعدادات التي حققت أداءً جيداً على البيانات المعروفة |
| 3 | اختبار تلك المعاملات المُحسّنة خلال فترة خارج العينة (out-of-sample) | التحقق من الأداء على بيانات لم تلمسها عملية التحسين مطلقاً |
| 4 | الانتقال إلى الجزء التالي | محاكاة كيفية تكيف الاستراتيجية مع وصول بيانات السوق الجديدة |
| 5 | تكرار العملية عبر جميع الأجزاء | اختبار ما إذا كانت الاستراتيجية تعمل باستمرار عبر فترات مختلفة |
| 6 | مراجعة جميع نتائج الأجزاء معاً | التأكد مما إذا كانت الاستراتيجية قوية حقاً أم أنها تعمل فقط في ظروف محددة |
الهدف ليس العثور على أفضل الإعدادات التاريخية مظهراً، بل الهدف هو معرفة ما إذا كانت قيم المعاملات المُحسّنة ستستمر في العمل بعد انتهاء فترة التحسين.
مثال بسيط للجدول الزمني
هذا يجعل المفهوم أكثر واقعية. تخيل أن لديك بيانات سعر EURUSD لمدة عامين، وتقوم بإجراء تحسين “walk-forward” عبر خمس شرائح متتالية:
| الشريحة | فترة تحسين العينة (In-Sample) | فترة اختبار العينة الخارجة (Out-of-Sample) |
| الشريحة 1 | من يناير إلى مارس | أبريل |
| الشريحة 2 | من فبراير إلى أبريل | مايو |
| الشريحة 3 | من مارس إلى مايو | يونيو |
| الشريحة 4 | من أبريل إلى يونيو | يوليو |
| الجزء 5 | من مايو إلى يوليو | أغسطس |
في كل جزء، يجد النظام أفضل قيم للمعلمات (parameters) لنافذة العينة داخل العينة (in-sample window)، ثم يختبرها في الشهر التالي دون أي تعديل إضافي. إذا كان أداء الاستراتيجية جيداً بشكل معقول عبر معظم أشهر الاختبار تلك، فإن ذلك يعد دليلاً ذا قيمة. قد يكون الجزء القوي الواحد مجرد حظ؛ لكن خمس نتائج جيدة باستمرار عبر فترات مختلفة يصعب تجاهلها.
العينة داخل العينة (In-Sample) مقابل العينة خارج العينة (Out-of-Sample): ماذا يعني كل مصطلح
هذا التمييز مركزي في العملية برمتها، لذا يستحق الأمر توضيحاً دقيقاً.
بيانات العينة داخل العينة (In-sample data)هي الفترة التاريخية المستخدمة خلال عملية التحسين (optimization). يبحث النظام عن قيم المعلمات التي أنتجت نتائج جيدة ضمن هذه النافذة. بيانات العينة داخل العينة هي البيانات “المعروفة”.
بيانات العينة خارج العينة (Out-of-sample data)هي الفترة التي تلي نافذة العينة داخل العينة مباشرة. يتم تطبيق المعلمات التي تم العثور عليها أثناء عملية التحسين على هذه الفترة دون أي تعديل إضافي. بيانات العينة خارج العينة هي البيانات “غير المرئية”. إذا كان أداء الاستراتيجية جيداً هنا، فهذا يشير إلى أن المعلمات لها قيمة تنبؤية حقيقية بدلاً من كونها مجرد نتاج تاريخي بحت.
النسبة الشائعة لاختبار السير للأمام (walk-forward testing) هي 70% للعينة داخل العينة مقابل 30% للعينة خارج العينة لكل جزء. لذا، إذا كان الجزء يغطي 13 أسبوعاً إجمالاً، يتم استخدام تسعة أسابيع تقريباً للتحسين وأربعة أسابيع للاختبار. هذه النسب قابلة للتعديل اعتماداً على نظام التداول وطول البيانات المتاحة.
تحسين السير للأمام (Walk-Forward Optimization) مقابل التحقق من السير للأمام (Walk-Forward Validation): ما الفرق
هذا تمييز مهم في الممارسة العملية، وأحياناً يتم استخدام المصطلحين بالتبادل رغم أنه لا ينبغي فعل ذلك.
| الطريقة | ما تفعله | هل تغير المعايير؟ | أفضل استخدام |
| التحسين الأمامي (Walk-forward optimization) | يقوم بتحسين قيم المعايير في كل فترة داخل العينة (in-sample) واختبارها في نافذة خارج العينة (out-of-sample) التالية | نعم؛ تتغير المعايير لكل جزء | إيجاد الإعدادات التكيفية والتحقق من قوة الاستراتيجية عبر الفترات الزمنية |
| التحقق الأمامي (Walk-forward validation) | يختبر ما إذا كانت الاستراتيجية الحالية والمحددة مسبقاً تصمد أمام اختبار التحقق الأمامي دون الحاجة لإعادة التحسين | لا؛ تظل المعايير ثابتة | التأكد مما إذا كانت الاستراتيجية المكتملة تصمد عبر ظروف السوق المختلفة |
| التحسين باستخدام كامل البيانات (Full-data optimization) | يقوم بالتحسين بناءً على جميع البيانات التاريخية المتاحة ككتلة واحدة | نعم | اختبار أولي سريع؛ خطر أعلى لحدوث الإفراط في التخصيص (Overfitting) |
| التحقق باستخدام محاكاة مونت كارلو (Monte Carlo validation) | اختبارات الضغط للنتائج تحت متغيرات عشوائية في تسلسل الصفقات، أو عمليات التنفيذ، أو مدخلات أخرى | لا | التحقق من المتانة تحت ضجيج التنفيذ أو عدم يقين البيانات |
تحليل “الخطوة للأمام” (Walk-forward analysis) هو العملية الأوسع التي تغطي كلا النهجين. من الناحية العملية، تستخدم معظم سير عمل تطوير الاستراتيجيات المتينة عملية تحسين “الخطوة للأمام” أولاً للعثور على المعلمات التكيفية، ثم اختبار مونت كارلو لاختبار ضغط النتائج، ثم الاختبار الأمامي على حساب تجريبي للتحقق من السلوك الحي قبل الالتزام برأس مال حقيقي.
تحسين “الخطوة للأمام” يقلل من الإفراط في التخصيص: لماذا يهم ذلك؟
أعتقد أن الإفراط في التخصيص (Overfitting) هو السبب الأكثر شيوعاً لفشل نتائج الاختبار الخلفي (Backtest) الواعدة في التداول الحي. يحدث هذا عندما يتم ضبط الاستراتيجية بدقة شديدة لتناسب مجموعة واحدة من الظروف التاريخية، مما يؤدي إلى توقفها عن العمل بمجرد تغير تلك الظروف ولو بشكل طفيف.
يقلل تحسين “الخطوة للأمام” من هذا الخطر بعدة طرق محددة:
- يقوم باختبار الأداء في فترات لم تكن جزءاً من عملية التحسين، مما يعني أنه يكشف الاستراتيجيات التي تعمل فقط على البيانات التي تم تدريبها عليها
- يكرر ذلك عبر قطاعات متعددة، مما يعني أن الاستراتيجية بحاجة إلى الأداء باستمرار بدلاً من مجرد الحظ في فترة واحدة
- يحاكي، بطريقة محكومة، كيفية سلوك الاستراتيجية أثناء تكيفها مع بيانات السوق الجديدة الواردة
لا توجد طريقة اختبار تقضي على الإفراط في التخصيص تماماً. تحليل “الخطوة للأمام” يجعل من الصعب جداً على الاستراتيجية التي تعاني من الإفراط في التخصيص اجتياز عملية التحقق، وهو بالضبط ما تريده قبل المخاطرة برأس مال حقيقي.
كيفية قراءة نتائج تحسين “الخطوة للأمام” (Walk-Forward Optimization)
الحصول على النتائج شيء، ومعرفة ما تخبرك به فعلياً هو شيء آخر. إليك إطار عمل عملي:
| نمط النتيجة | ما يشير إليه |
| مربحة في العينة (in-sample) ومربحة في العينة خارج العينة (out-of-sample) عبر معظم القطاعات | قد تكون الاستراتيجية قوية (robust) حقاً |
| قوية في العينة (in-sample) ولكنها ضعيفة باستمرار في العينة خارج العينة (out-of-sample) | احتمال وجود فرط ملائمة (overfitting)؛ أعد النظر في نطاق المعايير (parameter space) |
| قطاع واحد أو اثنان فقط يؤديان بشكل جيد | قد تعتمد الاستراتيجية على نظام سوق (market regime) محدد |
| يتدهور الأداء باستمرار عبر القطاعات | قد تفقد الاستراتيجية أهميتها مع تغير الظروف |
| المعايير المُحسّنة النهائية تؤدي بشكل أسوأ من الإعدادات الأصلية | قد يؤدي التحسين (optimization) إلى جعل الاستراتيجية أقل استقراراً |
| التغييرات الطفيفة في المعايير تدمر الأداء تماماً | قد تكون الاستراتيجية هشة بغض النظر عما تظهره الاختبارات |
النمطان الأخيران يستحقان الاهتمام الجاد. يجب ألا تكون استراتيجية التداول القوية هشة. إذا كان تحريك وقف الخسارة (stop-loss) بمقدار خمس نقاط (pips) أو تغيير فترة المتوسط المتحرك (moving average) بمقدار درجتين يغير النتيجة تماماً، فمن المرجح أن يظهر هذا الضعف في التداول الحي.
التحسين الأمامي (Walk-Forward Optimization) في EA Studio: مثال عملي
بالنسبة للمتداولين الذين يستخدمون EA Studio لبناء واختبار المستشارين الخبراء (Expert Advisors) لمنصة MetaTrader، فإن عملية التحسين الأمامي مدمجة مباشرة في المنصة. إليك كيفية مطابقة المفاهيم الأساسية مع سير العمل الفعلي للأداة:
| ميزة EA Studio | المعنى باللغة المبسطة |
| In-sample (داخل العينة) | جزء البيانات المستخدم لتحسين معايير الاستراتيجية |
| Out-of-sample (خارج العينة) | جزء البيانات المستخدم لاختبار تلك المعايير التي تم تحسينها |
| Segments (الشرائح) | عدد النوافذ المتدحرجة (rolling windows) التي تتم خلالها عملية التحسين الأمامي |
| Acceptance criteria (معايير القبول) | الحد الأدنى من عتبات الأداء التي يجب أن تستوفيها الشريحة (عامل الربح، عدد الصفقات، حدود التراجع) |
| Reactor (المفاعل) | سير عمل التوليد والتحقق الآلي في EA Studio |
| Monte Carlo (مونت كارلو) | أداة اختبار الإجهاد (Stress-testing) التي تقوم بتغيير المدخلات عشوائياً للتحقق من قوة النتائج |
يتضمن سير العمل في EA Studio عادةً تحديد نسبة تقسيم البيانات، وتحديد معايير القبول لفترات خارج العينة (out-of-sample)، ثم تشغيل الـ Reactor لإنشاء الاستراتيجيات وتصفيتها، ثم مراجعة الأنظمة التي تجتاز كل من اختبار الـ walk-forward واختبار مونت كارلو (Monte Carlo) قبل الانتقال إلى الاختبار التجريبي (demo testing).
أحد الأشياء التي وجدتها مفيدة في الممارسة العملية: التعامل بجدية مع معايير القبول بدلاً من تخفيفها للحصول على المزيد من الاستراتيجيات الناجحة. إن محفظة صغيرة من الاستراتيجيات التي تجتاز معايير صارمة أكثر قيمة من مجموعة كبيرة اجتازت فلاتر ضعيفة. الجودة تغلب الكمية هنا بوضوح.
الأسئلة الشائعة
ما هو تحسين الـ walk-forward (walk-forward optimization) بعبارات بسيطة؟
يقوم تحسين الـ walk-forward بتقسيم بيانات الأسعار التاريخية إلى عدة أجزاء. لكل جزء، يتم تحسين معايير الاستراتيجية على الجزء الأول من البيانات (داخل العينة – in-sample)، ثم يتم اختبارها على الجزء التالي (خارج العينة – out-of-sample) دون أي تعديل إضافي. يتكرر هذا الإجراء عبر جميع الأجزاء. الغرض من ذلك هو التحقق مما إذا كانت الإعدادات المحسنة تستمر في العمل على بيانات لم يتم التدريب عليها من قبل، مما يوفر دليلاً أكثر واقعية على المتانة (robustness) مقارنة بالاختبار على كتلة تاريخية واحدة فقط.
لماذا يُستخدم تحسين الـ walk-forward في تداول الفوركس؟
غالباً ما تفشل استراتيجيات الفوركس في التداول الحي لأنها تم تحسينها بشكل مفرط (over-optimized) على البيانات التاريخية. يقلل تحسين الـ walk-forward من هذه المخاطر من خلال إجبار الاستراتيجية على الأداء بشكل جيد في فترات خارج العينة غير مرئية، وليس فقط على البيانات المستخدمة أثناء عملية التحسين. إنه يحاكي، بطريقة منضبطة، كيف ستتصرف الاستراتيجية أثناء تكيفها مع ظروف السوق المتغيرة بمرور الوقت. وتعتبر الأبحاث الأكاديمية حول التداول المنهجي والتعلم الإحصائي هذا النوع من التحقق المتقاطع (cross-validation) متطلباً أساسياً لتقييم النماذج الموثوقة.
هل تحسين الـ walk-forward أفضل من الاختبار العكسي (backtesting) التقليدي؟
يوفر تحسين الـ walk-forward نتائج أكثر دقة من الاختبار العكسي التقليدي للاستراتيجيات التي تم تحسينها. لا يمكن للاختبار العكسي القياسي على كتلة بيانات واحدة التمييز بين الميزة الحقيقية (genuine edge) وبين الإفراط في التخصيص (overfitting). يضيف تحليل الـ walk-forward أجزاء خارج العينة تكشف الاستراتيجيات التي أدت أداءً جيداً فقط لأنها تم ضبطها لتناسب ظروفاً تاريخية محددة. بالنسبة للاستراتيجيات غير المحسنة، قد يكون الاختبار العكسي الأساسي كافياً؛ أما بالنسبة لأي نظام تم تعديل معاييره لتحسين النتائج، فإن اختبار الـ walk-forward يعد خطوة تحقق أكثر موثوقية.
ما هي البيانات داخل العينة (in-sample) وخارج العينة (out-of-sample)؟
البيانات داخل العينة (in-sample) هي الفترة التاريخية المستخدمة لتحسين معايير استراتيجية التداول؛ حيث يتم تدريب النظام على هذه البيانات. أما البيانات خارج العينة (out-of-sample) فهي الفترة التي تلي نافذة الـ in-sample، وتُستخدم لاختبار المعايير المحسنة دون تعديل إضافي. الاستراتيجية التي تؤدي جيداً في فترات خارج العينة توفر دليلاً أقوى على المتانة الحقيقية مقارنة بتلك التي تبدو جيدة فقط في البيانات داخل العينة. النسبة الشائعة المستخدمة في اختبار الـ walk-forward هي حوالي 70% إلى 30% لكل جزء.
هل يمكن استخدام تحسين الـ walk-forward مع المستشارين الخبراء (Expert Advisors)؟
نعم. يمكن تطبيق تحسين الـ walk-forward مباشرة على المستشارين الخبراء (EAs) المبنيين في MetaTrader عبر EA Studio أو من خلال مختبر استراتيجيات MetaTrader الذي يدعم خاصية الـ walk-forward. يتضمن EA Studio أدوات مدمجة لاختبار الـ walk-forward مع أجزاء قابلة للضبط، ومعايير قبول، وتحقق مونت كارلو. كما يدعم مختبر استراتيجيات MetaTrader 5 تحسين الـ walk-forward للمستشارين الخبراء (MQL5). تتبع العملية نفس المنطق: التحسين على البيانات داخل العينة، الاختبار على فترة خارج العينة اللاحقة، التكرار عبر أجزاء متعددة، ومراجعة الاتساق.
ما الفرق بين تحسين الـ walk-forward واختبار مونت كارلو (Monte Carlo testing)؟
تعمل عملية التحسين الأمامي (Walk-forward optimization) على تدوير تحسين المعلمات واختبار العينات الخارجة عن النطاق عبر عدة قطاعات تاريخية للتحقق مما إذا كانت الاستراتيجية تتكيف وتعمل باستمرار بمرور الوقت. أما اختبار مونت كارلو (Monte Carlo testing) فيقوم بعشوائية المدخلات، مثل ترتيب الصفقات، أو تنفيذ عمليات الملء، أو تغييرات المعلمات، لاختبار مدى قوة النتائج في ظل عدم اليقين بدلاً من اعتمادها على تسلسل بيانات محدد. كلاهما أدوات للتحقق من المتانة، لكنهما يختبران أبعاداً مختلفة: التحسين الأمامي يتحقق من الاتساق القائم على الوقت؛ بينما يتحقق مونت كارلو من الحساسية للتباين العشوائي. إن استخدام كليهما معاً يوفر دليلاً أقوى مما لو استُخدمت إحدى الطريقتين بمفردها.
